Gesamtbanksteuerung: Mit modernem Datenmanagement schneller zum Ziel

Viele Finanzinstitute haben Schwierigkeiten, Bereiche wie Risikomanagement, Finanzplanung und Controlling übergreifend zu verzahnen. Eine datenbasierte Banksteuerung wird dadurch erschwert.

Tom Hartung, Sales Executive, InterSystems GmbH

Viele Banken sind nicht in der Lage, ihre verschiedenen Aktivitäten und Geschäftsbereiche übergreifend zu verzahnen. Dadurch können sie ihre strategischen Ziele nur schwer erreichen und Risiken nicht angemessen überwachen und optimieren. Neue Aktualität hat das Thema vor einigen Wochen durch die Übernahme der Credit Suisse durch die UBS bekommen. Der Credit Suisse wurde unter anderem vorgeworfen, aufsichtsrechtliche Pflichten nicht ordnungsgemäß erfüllt zu haben. So soll die Asset-Management-Gesellschaft der Credit Suisse beispielsweise nur unzureichend über konkrete Forderungen informiert gewesen sein – es habe die Kontrolle gefehlt, so die Kritik der FINMA (Swiss Financial Market Supervisory Authority). Dadurch habe die Privatbank ihre Pflicht zur angemessenen Erfassung von Risiken sowie deren Begrenzung und Überwachung verletzt. 

Die steigenden rechtlichen und regulatorischen Anforderungen sowie die damit einhergehenden Risiko- und Kontrollprozesse stellen Finanzinstitute in Zeiten der Digitalisierung vor neue Herausforderungen. Ein wesentlicher Grund liegt darin, dass in vielen Banken Informationen aus verschiedenen Abteilungen nach wie vor isoliert betrachtet werden. Eine übergreifende Verzahnung von Risikomanagement, Finanzplanung und Controlling fehlt häufig. Die Verknüpfung von Informationen aus unterschiedlichen Bereichen ist jedoch eine entscheidende Voraussetzung für eine funktionierende Gesamtbanksteuerung.

Erfolgsentscheidend ist eine durchgängige IT-Struktur 

In vielen Finanzunternehmen sind die Daten über verschiedene Abteilungen verstreut. Aus diesen Datensilos die jeweils relevanten Informationen zusammenzustellen, ist kurzfristig kaum möglich. Eine Risikobewertung beispielsweise kann unter Umständen Wochen oder sogar Monate in Anspruch nehmen. Und dann ist ein großer Teil der Ergebnisse wieder veraltet. Um dies zu vermeiden, benötigen Finanzinstitute eine durchgängige IT-Struktur, die den einfachen Zugriff auf alle benötigten Daten in Echtzeit ermöglicht und schnelle Reaktionen zulässt.

Je nach Anwendungsfall und organisatorischer Herangehensweise wird dabei häufig zwischen einem Data Mesh oder einem Data Fabric gewählt. In den Funktionalitäten sind sich die beiden Konzepte ähnlich. Während das Data Mesh dezentral organisiert ist, bietet das Data Fabric hingegen eine zentrale Sicht auf die Daten – eine Single Source of Truth. Alle relevanten Informationen werden dabei so erfasst und organisiert, dass sie sich unternehmensweit nutzen und schnell auffinden lassen. 

Das unterstützt die Gesamtbanksteuerung gleich in mehrfacher Hinsicht – etwa durch eine verbesserte Datenintegration, Prozessautomatisierung oder den Datenzugriff in Echtzeit. Ein weiterer Vorteil: Die Daten werden nicht dupliziert, sondern verbleiben in ihren Quellsystemen. Auch die bestehende Technologieumgebung muss nicht ausgetauscht werden. Denn ein Data Fabric liegt als zusätzliche Ebene über den Bestandssystemen und schafft dadurch eine 360-Grad-Übersicht auf alle relevanten Informationen, ohne dass ein kostspieliger Austausch der vorhandenen IT-Infrastruktur vorgenommen werden muss. 

Wie der Data Fabric Ansatz die Gesamtbanksteuerung unterstützt

• Verbesserte Datenintegration: Banken verfügen häufig über eine Vielzahl von Systemen und Plattformen, die Daten in verschiedenen Formaten speichern. Ein Data Fabric hilft, sie zu integrieren und zu vereinheitlichen. Dies erleichtert die Nutzung und Analyse der Daten.
• Prozessautomatisierung: Die automatisierte und übergreifende Datenverfügbarkeit entlastet die Mitarbeiter und senkt die Fehlerrate gegenüber dem manuellen Zusammenführen von Daten.
• Datenzugriff in Echtzeit: Ein Data Fabric ermöglicht es, Daten in Echtzeit abzurufen und zu analysieren. Dadurch kann die Bank schneller auf Marktveränderungen reagieren und ihre Geschäftsstrategien entsprechend anpassen. Das verbessert den Prozess der Gesamtbanksteuerung deutlich.
• Gleichbleibende Datenqualität: Ein Data Fabric stellt sicher, dass Informationen in einer einheitlichen Form gespeichert und dass überall die gleichen Definitionen für Datenattribute und -berechnungen verwendet werden. Das trägt zu einer besseren Datenqualität bei und erhöht die Genauigkeit und Zuverlässigkeit von Analysen.
• Big-Data-Analysen: Mit einem Data Fabric lassen sich auch sehr große Mengen an Daten verwalten und integrieren. Dadurch sind umfassende Analysen und zuverlässige zahlenbasierte Geschäftsentscheidungen möglich – zum Beispiel die Berechnung von Szenarien zur Risikotragfähigkeit.
• Zukunftsfähigkeit: Mit einem Data Fabric sowie integrierten Self-Service-Analyse-Funktionen stellen Banken sicher, dass sich auch beim Ausscheiden von Mitarbeitern alle Daten – und indirekt damit auch die Bestandssysteme – weiter nutzen lassen.

Eine Weiterentwicklung des Data Fabric ist das sogenannte Smart Data Fabric. Hier kommen zusätzliche Funktionen auf Basis von künstlicher Intelligenz (KI), Machine Learning (ML), Natural Language Processing (NLP) oder automatisierter Entscheidungsfindung zum Einsatz. Dadurch lassen sich die Daten bereits während der Verarbeitung analysieren, um Muster und Zusammenhänge zu erkennen und Empfehlungen abzugeben. Ein typischer Anwendungsfall ist zum Beispiel die Analyse des Kundenverhaltens, die es Unternehmen ermöglicht, auf bestimmte Kundengruppen zugeschnittene Dienstleistungen anzubieten.

Sie möchten mehr zum Thema Data Fabric erfahren? Lesen Sie mehr im Report des Research und Beratungsunternehmens Eckerson Group. 

PRAXISTIPPS

• Eine übergreifende Datenplattform implementieren, die das Datenmanagement optimiert und Datensilos beseitigt.
• Daten zusammenführen, bereinigen und vereinheitlichen.
• Datenanalysen in Echtzeit, um schneller auf neue Marktbedingungen reagieren und so die Gesamtbanksteuerung optimieren zu können.
• Mit einem Data Fabric Funktionen auf Basis von KI, ML und automatisierter Entscheidungsfindung nutzen.